基于Python实现的遗传算法求最值问题 课程论文+源码+使用说明

---

目录

人工智能第三次实验报告

遗传算法求最值问题

一 、遗传算法

1.1 遗传算法简介

1.2 遗传算法基本要素

4. 设定遗传操作：

1.3 遗传算法一般步骤

二 、程序说明

2.1 控制参数

2.2 编码规则

2.3 选择初始群体

2.4 适应度函数

三 、参数测试

四 、算法改进

4.1 最佳个体保存

4.2 双倍体遗传

附 录

1 import numpy as np

14 def F(x, y): # 问题函数

遗传算法是一种进化算法，基于自然选择和生物遗传等生物进化机制的一种搜索算法，其通过选    择、重组和变异三种操作实现优化问题的求解。它的本质是从原问题的一组解出发改进到另一组较好的 解，再从这组改进的解出发进一步改进。在搜索过程中，它利用结构和随机的信息，是满足目标的决策 获得最大的生存可能，是一种概率型算法。

遗传算法主要借用生物中“适者生存”的原则，在遗传算法中，染色体对应的是数据或数组，通常由 一维的串结构数据来表示。串上的各个位置对应一个基因座，而各个位置上所取的值对等位基因。遗传 算法处理的是基因型个体，一定数量的个体组成了群体。群体的规模就是个体的数目。不同个体对环境 的适应度不同，适应度打的个体被选择进行遗传操作产生新个体。每次选择两个染色体进行产生一组新 染色体，染色体也可能发生变异，得到下一代群体。

1.2 遗传算法基本要素

1. 参数编码：可以采用位串编码、实数编码、多参数级联编码等

2. 设定初始群体：

1. 启发 / 非启发给定一组解作为初始群体

2. 确定初始群体的规模

3. 设定适应度函数：将目标函数映射为适应度函数，可以进行尺度变换来保证非负、归一等特性

4. 设定遗传操作：

1. 选择：从当前群体选出一系列优良个体，让他们产生后代个体，一般采用蒙特卡洛法，即按适 应度占比分配概率

2. 交叉：两个个体的基因进行交叉重组来获得新个体

3. 变异：随机变动个体串基因座上的某些基因

5. 设定控制参数：例如变异概率、交叉程度、迭代上限等